1 Resumen

En este trabajo comparé dos formas de explorar el potencial climático de la caña de azúcar: el cumplimiento de rangos de temperatura y precipitación, y la similaridad del perfil mensual frente a tres sitios aleatorios del Valle del Cauca. Utilicé las 24 capas mensuales de WorldClim 2.1, correspondientes a la climatología 1970–2000 y a una resolución de 10 minutos de arco. El análisis combina álgebra de mapas, extracción puntual, distancia euclidiana estandarizada y comparación de superficies ponderadas por el área de cada celda.

A escala mundial, la suma de las celdas que cumplen los rangos anuales del taller fue de 16.830.488 km². Los países con mayor superficie bajo ese criterio fueron Brasil, República Democrática del Congo, Indonesia. Por otro lado, se identificaron 26.600.006 km² con perfiles mensuales parecidos al de por lo menos uno de los tres sitios del Valle. Para decidir qué se considera parecido se eligió una distancia climática máxima de 0,5, una medida de diferencias entre temperatura y lluvia que no se expresa en kilómetros ni significa 50 % de semejanza. Al reunir las zonas de ambos mapas, aproximadamente el 44,5 % de esa superficie aparece en los dos; esta coincidencia se resume con el índice de Jaccard, 0,445. Las superficies expresan coincidencia climática, no disponibilidad de tierra ni rendimiento esperado.

La comparación muestra que los resultados dependen de los umbrales, de la escala temporal y del sitio tomado como referencia. Por ello, los mapas se interpretan como instrumentos de exploración y priorización para estudios posteriores.

2 Planteamiento y objetivos

La pregunta central es dónde se encuentran condiciones climáticas que cumplen los rangos definidos para el ejercicio y en qué medida esas áreas coinciden con regiones parecidas a sitios del Valle del Cauca. La primera aproximación responde a una regla explícita sobre las variables; la segunda identifica análogos climáticos de una referencia, aunque esa referencia no cumpla necesariamente los rangos del cultivo.

El objetivo general es construir y comparar mapas globales de cumplimiento climático y similaridad para la caña de azúcar mediante un flujo reproducible en R. Para desarrollarlo, calculé indicadores anuales y mensuales, ordené los países por superficie favorable, extraje los perfiles mensuales de tres puntos y cuantifiqué las coincidencias y diferencias entre mapas. Finalmente, evalué la sensibilidad de los resultados a decisiones de parametrización.

3 Datos y alcance del análisis

3.1 Fuentes y unidad de observación

WorldClim 2.1 ofrece superficies climáticas de referencia para 1970–2000. Cada variable contiene doce archivos GeoTIFF, uno por mes. Utilicé temperatura media mensual, en grados Celsius, y precipitación mensual, en milímetros (WorldClim, s. f.; Fick y Hijmans, 2017). La resolución de 10 minutos equivale a un tamaño angular de 1/6 de grado: aproximadamente 18,5 km de lado en el ecuador. El área y el ancho este a oeste varían con la latitud.

La unidad de observación es la celda de WorldClim. Los límites de países provienen de Natural Earth a escala 1:50 millones, y el departamento del Valle del Cauca se delimitó con GADM 4.1. Estas geometrías cumplen una función de recorte y resumen; no convierten el dato climático en una medición a escala predial.

Fuente Contenido Uso
WorldClim 2.1 12 capas de temperatura media Media anual y perfil mensual
WorldClim 2.1 12 capas de precipitación Acumulado anual y perfil mensual
Natural Earth Países 1:50 millones Ranking y cortes nacionales
GADM 4.1 Departamentos de Colombia Marco de muestreo en el Valle

Los doce valores extraídos de un punto constituyen un ciclo climatológico mensual. Aunque se representen en orden temporal, no son una serie de observaciones de doce años ni permiten estudiar tendencias, eventos extremos o variabilidad interanual. La suma de las doce precipitaciones es un acumulado anual climatológico; la media aritmética de las doce temperaturas es un resumen anual con igual peso por mes.

3.2 Control de calidad

Antes de calcular los índices verifiqué la existencia de los doce meses, el orden de los nombres, la coincidencia de geometrías y la presencia de las 24 variables en cada celda. Conservé únicamente celdas completas en todas las comparaciones. El dominio resultante fue de 154.349.171 km², que incluye las celdas terrestres con información y no debe confundirse con la superficie asignada a países por el shape.

WorldClim 2.1 distribuye tavg en grados Celsius. No apliqué una división automática entre diez. La escala debe confirmarse en los metadatos y en la distribución de los valores antes de usar archivos de otras versiones o fuentes. En la exportación de rásteres utilicé coma flotante para conservar temperatura, precipitación e índices sin truncamiento.

stopifnot(compareGeom(tavg, prec), nlyr(tavg) == 12, nlyr(prec) == 12)
clima <- c(tavg, prec)
valido <- ifel(sum(!is.na(clima)) == 24, 1, NA)
# NA significa ausencia de información; no se transforma en cero.

4 Metodología

4.1 Rangos y decisiones de parametrización

El escenario principal utiliza los límites anuales empleados en el código de los ejemplos del taller: temperatura media de 22,5 a 28 °C y precipitación acumulada de 1.500 a 3.500 mm/año. Los traté como parámetros operativos del ejercicio. No los atribuí a FAO ni los presenté como una definición universal de aptitud agronómica.

La ficha de FAO EcoCrop para Saccharum officinarum registra rangos óptimos de temperatura de 24 a 37 °C y lluvia anual de 1.500 a 2.000 mm. Incorporé estos valores como un escenario alternativo, aplicando el intervalo térmico a la media anual como simplificación explícita. La diferencia entre fuentes justifica comparar escenarios antes de adoptar una regla de decisión (FAO, s. f.).

Escenario Temperatura Precipitacion Interpretacion
Anual del taller 22,5–28 °C de media anual 1.500–3.500 mm/año Regla principal del ejercicio
Mensual de la app 22,5–28 °C de media mensual 125–290 mm/mes Regularidad y simultaneidad mensual
EcoCrop simplificado 24–37 °C aplicada a media anual 1.500–2.000 mm/año Sensibilidad a otra parametrización

Cómo se sustenta el escenario principal. El intervalo térmico de 22,5–28 °C se conserva de la app suministrada y del código de los ejemplos; el intervalo anual de precipitación de 1.500–3.500 mm se toma del código de esos referentes. Son una elección operativa para responder el taller. La ficha EcoCrop permite contrastar esa elección, pero no confirma esos mismos límites.

Los límites mensuales de la app se conservaron para un análisis complementario. Exigir 125–290 mm en cada mes no equivale a exigir 1.500–3.500 mm en el año: distribuciones estacionales muy diferentes pueden compartir el mismo acumulado. Además, 290 × 12 da 3.480 mm. En este trabajo incluí los extremos de los intervalos con >= y <=; la app original usa desigualdades estrictas. Por ello, sus resultados pueden diferir para celdas exactamente en los límites.

4.2 Cumplimiento anual y simultaneidad mensual

Calculé T̄(x) como la media de las doce temperaturas y PΣ(x) como la suma de las doce precipitaciones de cada celda x. La clasificación anual es uno cuando ambas condiciones se cumplen y cero cuando al menos una falla. Los valores sin información permanecen como NA.

T_anual <- mean(tavg, na.rm = FALSE)
P_anual <- sum(prec, na.rm = FALSE)
A <- (T_anual >= 22.5 & T_anual <= 28) &
     (P_anual >= 1500 & P_anual <= 3500)

Para la evaluación mensual definí un indicador de temperatura y otro de precipitación en cada mes. Calculé tres formas de agregación: promedio de sus porcentajes marginales, mínimo de los porcentajes marginales y porcentaje de meses con cumplimiento simultáneo. Este último es el criterio mensual principal: F(x) = 100 × número de meses que cumplen ambas condiciones / 12.

La distinción es relevante. Si temperatura y lluvia cumplen diez meses cada una, pero los dos meses desfavorables de cada variable son distintos, el mínimo marginal es 83,3 %, mientras que la coincidencia conjunta es 66,7 %. Tomar el mínimo de porcentajes no resuelve la desalineación entre meses. Para explorar regularidad climática utilicé F ≥ 80 %, que con doce meses exige al menos diez meses conjuntos. Ese 80 % es un umbral analítico, no una probabilidad de éxito del cultivo.

T_ok <- tavg >= 22.5 & tavg <= 28
P_ok <- prec >= 125 & prec <= 290
F_conjunto <- mean(T_ok & P_ok, na.rm = FALSE) * 100

4.3 Países con mayor superficie bajo el criterio anual

Para evitar seleccionar países solamente por su reputación productora, ordené todos los países por superficie que cumple A = 1. Calculé el área geográfica de cada celda con cellSize(..., unit='km'), y no mediante un conteo de píxeles multiplicado por un área constante. Después asigné las celdas a países según el centro de cada celda y sumé sus superficies.

Seleccioné los tres primeros países y realicé un recorte rectangular con crop, seguido del enmascaramiento con mask. El porcentaje favorable se calculó sobre el área con datos asignada al país. La asignación por centro produce aproximaciones en costas, islas y fronteras; no se utilizaron fracciones exactas de intersección. El ranking expresa superficie climáticamente coincidente, no productividad, viabilidad ambiental ni oportunidad de expansión agrícola.

4.4 Selección de puntos del Valle del Cauca

Definí un marco de muestreo como la intersección del departamento con el rectángulo de longitudes −76,6 a −76,0 y latitudes 3,4 a 4,5. Este corredor geográfico facilita centrar el ejercicio en el entorno del valle, pero incluye laderas y no representa una delimitación oficial de la planicie o de zonas cañeras.

Proyecté el marco a UTM 18N, generé cien candidatos aleatorios uniformes por área con la semilla 20261115, y conservé los primeros tres con información completa y celdas diferentes. No utilicé la aptitud para aceptar puntos. Esta regla evita presentar como selección aleatoria una elección deliberada de municipios o climas favorables. Los tres sitios sirven como referencias exploratorias y no permiten estimar la distribución climática del departamento.

El servicio mostró las referencias territoriales de Sevilla para P1, Yumbo para P2 y El Cerrito para P3, todas en Valle del Cauca, Colombia. La consulta inicial había quedado bloqueada por una verificación humana; esta revisión posterior permitió completar la localización solicitada. Los nombres corresponden a las localidades que muestra Google Maps para las coordenadas y no certifican límites municipales ni uso agrícola. La pertenencia al marco departamental se comprobó con GADM. No se certificó presencia de caña ni se asignaron nombres de finca. Google Maps se utiliza como referencia de localización, mientras que WorldClim suministra los valores de clima.

4.5 Distancia y similaridad climática

Representé cada celda y cada referencia mediante un vector de 24 componentes: doce temperaturas y doce precipitaciones. Apliqué log1p a la lluvia para reducir el efecto de valores muy altos y mantener definidos los meses con cero precipitación. Después estandaricé cada componente con la media y desviación globales, ponderadas por el área de las celdas completas. Los parámetros son comunes a todos los sitios; no se estandariza cada referencia por separado.

Para cada sitio k calculé:

dₖ(x) = raíz de { [Σⱼ ((Xⱼ(x) − Xⱼ(k)) / σⱼ)²] / 24 }.

Esta expresión es una distancia euclidiana normalizada por la raíz de 24, equivalente al error cuadrático medio en unidades estandarizadas. La media global se cancela al restar dos perfiles estandarizados; por eso el código puede operar directamente con sus diferencias y las desviaciones σⱼ. Temperatura y precipitación tienen doce componentes cada una y aportan la mitad del peso total, aunque los meses correlacionados no constituyen información independiente.

Transformé la distancia en Sₖ(x) = exp(−dₖ(x)). Una coincidencia exacta da S = 1 y distancias crecientes se aproximan a cero. S no es una probabilidad ni un porcentaje de aptitud. Los tres mapas comparten la misma escala de 0 a 1 para que sus colores sean comparables.

# X combina tavg y log1p(prec). sigma usa el mismo dominio global.
referencia <- c(ref[i, 1:12], log1p(ref[i, 13:24]))
cuadrados <- tavg[[1]] * 0
for (j in 1:24) {
  cuadrados <- cuadrados + ((X[[j]] - referencia[j]) / sigma[j])^2
}
distancia <- sqrt(cuadrados / 24)
similaridad <- exp(-distancia)

Comparé enero con enero y así sucesivamente. No apliqué desplazamientos entre hemisferios; por tanto, dos climas con estaciones semejantes pero invertidas pueden obtener menor similaridad. La métrica representa analogía del calendario mensual, no equivalencia fenológica para fechas de siembra ajustables. La desviación global también depende del dominio: incluir climas fríos puede reducir el peso relativo de diferencias térmicas pequeñas dentro del trópico.

4.6 Qué significa una distancia climática

La palabra distancia se utiliza aquí para resumir diferencias entre climas. No es la separación geográfica entre dos lugares. Un sitio de Colombia puede estar a miles de kilómetros de otro y tener un perfil climático parecido; dos sitios vecinos pueden tener climas diferentes, por ejemplo, si se encuentran a distintas alturas.

Cada lugar se describe con una lista de 24 números: temperatura de enero, febrero y los demás meses, seguida de precipitación de enero, febrero y los demás meses. Esa lista es su perfil climático mensual. El cálculo compara enero con enero, febrero con febrero, y así sucesivamente, para las dos variables.

4.6.1 Paso 1 Comparar los mismos componentes

Para comparar una celda del mundo con P1, se resta su temperatura de enero a la de P1, se hace lo mismo con los otros once meses y se repite el proceso para la lluvia. Dos lugares con igual temperatura media anual pueden presentar temperaturas mensuales diferentes; por eso se comparan los perfiles completos y no solo dos promedios.

4.6.2 Paso 2 Poner las diferencias en escalas comparables

Una diferencia de 50 mm y otra de 2 °C no pueden sumarse directamente como si fueran cantidades de la misma clase. Primero transformé la lluvia con log(1+P) y después dividí cada diferencia por la desviación global de su componente. La transformación reduce la influencia de lluvias extremadamente altas; dividir por la desviación expresa el cambio en relación con la variación global de ese mes.

Por ejemplo, en enero, P1 tiene 23,281 °C y P2 tiene 20,386 °C. La diferencia es aproximadamente 2,895 °C. La desviación global usada para la temperatura de enero es aproximadamente 20,605 °C. Por tanto, la diferencia estandarizada de ese componente es 2,895 / 20,605 = 0,141. Ese 0,141 corresponde únicamente a la temperatura de enero; todavía no es la distancia final, que incluye otros 23 componentes.

La desviación global es amplia porque resume zonas frías y cálidas de todo el planeta. Por ello, una diferencia térmica relevante para el cultivo puede resultar relativamente pequeña en esta escala mundial. Esta elección debe tenerse presente al interpretar la palabra «parecido».

4.6.3 Paso 3 Resumir las 24 diferencias en un número

Elevé cada diferencia estandarizada al cuadrado, sumé los 24 cuadrados, dividí esa suma entre 24 y calculé la raíz cuadrada. Elevar al cuadrado impide que una diferencia positiva en un mes se cancele con otra negativa. El promedio considera todos los componentes y la raíz devuelve el resultado a la escala de las diferencias estandarizadas.

Distancia climática = raíz del promedio de las 24 diferencias estandarizadas al cuadrado.

El resultado es una distancia euclidiana normalizada o RMS. Es adimensional: no se expresa en kilómetros, grados Celsius ni milímetros. Su mínimo es cero y no tiene un máximo fijo de uno. Cero significa coincidencia de todos los componentes; valores crecientes indican diferencias mayores bajo esta métrica.

Como ejemplo artificial, si las 24 diferencias estandarizadas tuvieran magnitud 0,5, el resultado final sería 0,5. En los datos reales, las diferencias no son todas iguales: unas pueden superar 0,5 y otras ser menores. El límite se aplica al resumen conjunto, no a cada mes por separado.

4.6.4 Paso 4 Entender la distancia máxima de 0,5

El 0,5 es el límite exploratorio elegido para clasificar las zonas análogas. Una celda entra en la selección si su distancia a cualquiera de los tres sitios es menor o igual a 0,5. No significa 50 % de parecido, medio grado de diferencia ni 500 metros. Tampoco es un umbral agronómico oficial.

Distancia de una celda a un sitio Lectura bajo la regla del informe
0 Coincidencia exacta de los 24 valores transformados y estandarizados
0,2 Se incluye porque no supera 0,5
0,5 Se incluye, justo en el límite
0,8 No se incluye respecto a ese sitio; todavía podría parecerse a otro

Estas distancias de 0,2, 0,5 y 0,8 son ejemplos ilustrativos. El siguiente ejemplo también es artificial: si una celda obtiene distancias de 0,7 a P1, 0,4 a P2 y 0,6 a P3, se incluye en el mapa combinado porque 0,4 es menor que 0,5. No necesita parecerse a los tres puntos ni se promedian esas tres distancias para decidirlo.

4.6.5 Paso 5 Diferenciar distancia de similaridad

Para mostrar los mapas con una escala común de 0 a 1 convertí la distancia mediante S = exp(−d). La distancia aumenta cuando los climas se diferencian; la similaridad disminuye. Las dos medidas describen la misma comparación, con sentidos opuestos.

Distancia d Similaridad S aproximada Lectura
0 1,000 Coincidencia exacta
0,2 0,819 Mayor similaridad que en los ejemplos siguientes
0,5 0,607 Límite usado para seleccionar análogos
0,8 0,449 Menor similaridad y fuera del límite respecto a ese sitio

Una similaridad de 0,607 no equivale a un 60,7 % de aptitud ni a una probabilidad de éxito. Es el resultado de transformar una distancia de 0,5. La comparación de umbrales de la sección de resultados permite ver cuánto cambia la superficie cuando se exige mayor o menor semejanza.

4.6.6 Un ejemplo con los sitios reales del informe

El script complementario reconstruye las distancias entre P1, P2 y P3 usando los valores mensuales y las desviaciones que ya se utilizaron en los mapas. No calcula kilómetros entre coordenadas ni cambia los resultados globales.

Comparación de perfiles Distancia climática Similaridad Distancia <= 0,5
P1 frente a P2 0,117 0,890 TRUE
P1 frente a P3 0,068 0,934 TRUE
P2 frente a P3 0,095 0,909 TRUE

P1 y P2 tienen una distancia aproximada de 0,117: bajo la escala global y el límite elegido se consideran análogos. Sin embargo, P1 cumple los rangos anuales del taller y P2 no. Esto ilustra una diferencia central: la distancia pregunta cuánto se parece un clima a otro; la aptitud por rangos pregunta si cumple condiciones definidas para el cultivo. Son preguntas relacionadas, pero no equivalentes.

# diferencias contiene 24 valores: diferencias climáticas ya estandarizadas.
cuadrados <- diferencias^2
promedio_cuadratico <- mean(cuadrados)
distancia_climatica <- sqrt(promedio_cuadratico)
# La unidad es adimensional. No utiliza la separación entre coordenadas.

4.7 Comparación espacial y sensibilidad

Definí como análoga una celda cuya distancia a al menos uno de los tres sitios fuera menor o igual a 0,5, equivalente a S ≥ 0,607. Este umbral es exploratorio. Conservé además las distancias y similaridades continuas para no reducir toda la interpretación a un corte arbitrario.

La comparación con los rangos anuales distingue cuatro clases: ninguna aproximación, solo rangos, solo analogía y ambas. Calculé las áreas de cada clase y el índice J = área de intersección / área de unión, ponderado por superficie. J mide coincidencia entre conjuntos; no mide exactitud predictiva porque ninguno constituye una verdad de campo. Evalué distancias máximas de 0,35, 0,50 y 0,75, además de los escenarios anuales y mensuales descritos.

5 Resultados

5.1 Mapas globales de clima y cumplimiento

Figura 1. Temperatura media anual de las doce capas mensuales.

Figura 1. Temperatura media anual de las doce capas mensuales.

Figura 2. Precipitación anual calculada como suma de los acumulados mensuales.

Figura 2. Precipitación anual calculada como suma de los acumulados mensuales.

Figura 3. Celdas que cumplen simultáneamente los rangos anuales del taller. Gris indica incumplimiento y blanco ausencia de datos.

Figura 3. Celdas que cumplen simultáneamente los rangos anuales del taller. Gris indica incumplimiento y blanco ausencia de datos.

La regla anual identificó 16.830.488 km², equivalentes al 10,90 % del dominio con datos completos. La lectura conjunta de los mapas permite separar la disponibilidad térmica del acumulado de lluvia: cumplir una condición aislada no basta para integrar la clase favorable.

Figura 4. Porcentaje de meses que cumplen al mismo tiempo los rangos mensuales de temperatura y precipitación.

Figura 4. Porcentaje de meses que cumplen al mismo tiempo los rangos mensuales de temperatura y precipitación.

Al exigir diez o más meses de cumplimiento conjunto, la superficie fue de 1.700.218 km². La reducción frente al criterio anual muestra cuánto cambia la clasificación al exigir regularidad mensual. No demuestra que las áreas restantes sean improductivas: un período relativamente seco puede ser compatible con maduración, manejo del cultivo y aporte de riego. La regla uniforme de doce meses no modela esas fases.

5.2 Tres países con mayor superficie coincidente

País Área evaluada km² Área que cumple km² Porcentaje del área evaluada
191 Brasil 8.473.087 4.922.642 58,10
173 República Democrática del Congo 2.327.461 1.471.473 63,22
128 Indonesia 1.854.344 1.369.196 73,84
Figura 5. Recorte del primer país según superficie favorable.

Figura 5. Recorte del primer país según superficie favorable.

Figura 6. Recorte del segundo país según superficie favorable.

Figura 6. Recorte del segundo país según superficie favorable.

Figura 7. Recorte del tercer país según superficie favorable.

Figura 7. Recorte del tercer país según superficie favorable.

Brasil ocupa el primer lugar por superficie absoluta, mientras que la República Democrática del Congo e Indonesia también presentan extensas áreas bajo la regla utilizada. Sus proporciones deben leerse junto al denominador, porque el tamaño del país influye en el ranking. La presencia de coincidencia climática en zonas de bosque no autoriza inferir disponibilidad para cultivo: el ejercicio no excluye áreas protegidas, vegetación natural ni usos incompatibles. La evaluación de expansión requeriría incorporar esas restricciones antes de recomendar territorios.

5.3 Puntos y perfiles mensuales

Figura 8. Marco de muestreo dentro del Valle del Cauca y sitios seleccionados aleatoriamente.

Figura 8. Marco de muestreo dentro del Valle del Cauca y sitios seleccionados aleatoriamente.

Sitio Longitud Latitud Temperatura anual °C Lluvia anual mm Cumple anual Meses conjuntos %
P1 -76,019 4,299 23,270 1.589 TRUE 41,667
P2 -76,505 3,689 20,181 1.536 FALSE 0,000
P3 -76,208 3,642 22,415 1.484 FALSE 8,333

La siguiente tabla documenta la consulta en Google Maps. El orden de coordenadas en R es longitud, latitud; en la búsqueda de Maps se ingresó latitud, longitud. Las coordenadas del archivo de puntos conservan mayor precisión que las mostradas en la tabla.

Sitio Latitud Longitud Localidad mostrada por Google Maps Fecha de consulta
P1 4,299166 -76,01929 Sevilla, Valle del Cauca, Colombia 2026-11-16
P2 3,689110 -76,50516 Yumbo, Valle del Cauca, Colombia 2026-11-16
P3 3,642080 -76,20771 El Cerrito, Valle del Cauca, Colombia 2026-11-16

La extracción se hizo sobre la celda que contiene el punto, con method='simple'. No se aplicó interpolación bilineal para poder verificar que cada referencia tiene distancia cero a su propia celda. Puntos en una misma celda tendrían el mismo perfil; por eso se exigieron tres celdas distintas.

Cómo leer las gráficas mensuales. En el eje horizontal aparecen enero a diciembre. En el panel térmico, la altura de la curva expresa la temperatura media climatológica del mes, en °C. En el panel de lluvia, expresa la precipitación mensual climatológica, en mm. Por ejemplo, una elevación de la curva de lluvia entre marzo y abril indica que abril es más lluvioso que marzo dentro del promedio histórico; no demuestra que la lluvia haya aumentado entre dos años. Estos doce meses resumen 1970–2000 y no permiten estudiar tendencias anuales.

Figura 9. Ciclos climatológicos de temperatura y precipitación de los tres sitios. Los paneles tienen unidades independientes.

Figura 9. Ciclos climatológicos de temperatura y precipitación de los tres sitios. Los paneles tienen unidades independientes.

P1 registró 23,27 °C y 1.589 mm/año, y cumplió la regla anual. P2 presentó 20,18 °C y 1.536 mm/año, mientras que P3 alcanzó 22,41 °C y 1.484 mm/año. Estos dos últimos sitios no cumplieron ambos rangos anuales. El resultado no se corrigió sustituyendo puntos: es una consecuencia válida del diseño aleatorio y de la heterogeneidad espacial.

La amplitud térmica entre sitios es compatible con diferencias topográficas dentro de la región, pero este análisis no incorporó elevación para comprobar esa explicación. Además, la celda de 10 minutos puede mezclar condiciones de planicie y ladera. La resolución disponible aconseja interpretar los valores como referencias regionales, no como mediciones de una finca.

5.4 Mapas de similaridad global

Figura 10. Similaridad global respecto a P1. Escala común de 0 a 1.

Figura 10. Similaridad global respecto a P1. Escala común de 0 a 1.

Figura 11. Similaridad global respecto a P2. Escala común de 0 a 1.

Figura 11. Similaridad global respecto a P2. Escala común de 0 a 1.

Figura 12. Similaridad global respecto a P3. Escala común de 0 a 1.

Figura 12. Similaridad global respecto a P3. Escala común de 0 a 1.

Sitio Área análoga km² Coincide con rangos anuales km²
P1 23.579.514 13.091.186
P2 24.936.657 12.547.351
P3 24.433.122 12.995.538

Los perfiles de referencia generan conjuntos de analogía diferentes. Como P2 y P3 no cumplen la regla anual del taller, su similaridad alta debe interpretarse como semejanza climática con esos sitios y no como evidencia directa de aptitud. La unión de los tres conjuntos amplía el espacio de búsqueda: una celda basta con parecerse a cualquiera de ellos. Las superficies por sitio se superponen y no deben sumarse para obtener el área de la unión.

5.5 Coincidencias entre aproximaciones

Figura 13. Cruce entre cumplimiento anual y analogía con al menos uno de los tres puntos.

Figura 13. Cruce entre cumplimiento anual y analogía con al menos uno de los tres puntos.

Resultado del cruce Área km² Porcentaje del dominio
Ninguno 124.294.558 80,53
Solo rangos 3.454.607 2,24
Solo analogia 13.224.125 8,57
Ambas 13.375.881 8,67

El índice de Jaccard fue de 0,445. En otras palabras, la intersección representa el 44,51 % de la superficie incluida por al menos una aproximación. Esta concordancia parcial es esperable: los rangos anuales reducen cada clima a dos resúmenes y la distancia compara 24 componentes mensuales transformados y estandarizados.

Las áreas de solo rangos cumplen los límites anuales, pero presentan un perfil suficientemente diferente de las referencias bajo el umbral elegido. Las áreas de solo analogía se parecen a al menos un punto y pueden quedar fuera de los rangos anuales. Las áreas de ambas son candidatas para una evaluación agronómica posterior, sin que esta coincidencia pruebe rendimiento. La clase ninguno solamente expresa que no satisface estas dos reglas; no demuestra imposibilidad de cultivo con otra variedad, manejo o aporte de agua.

5.6 Qué representan las superficies y por qué son diferentes

Los 16.830.488 km² corresponden a la suma de celdas del mundo que cumplen los dos rangos anuales del taller. Los 26.600.006 km² corresponden a la suma de celdas cuya distancia climática a al menos un sitio del Valle no supera 0,5. En ambos casos son superficies distribuidas por el planeta; no son áreas del Valle ni de un único país.

Para obtener cada total se identifica primero qué celdas cumplen la regla y después se suman sus áreas geográficas. Una celda que se parece a dos o tres sitios se cuenta una sola vez en el conjunto de analogía. Los kilómetros cuadrados miden la extensión de las zonas seleccionadas; no son la unidad de la distancia climática.

El segundo total es mayor porque la regla de analogía admite climas parecidos a cualquiera de las tres referencias, incluidas P2 y P3, que no cumplen los rangos anuales del taller. Además, el umbral acepta cierta diferencia entre perfiles. No existe una regla matemática que obligue siempre al mapa de analogía a ser más grande: aquí ocurrió con estas referencias y este límite. Al reducir el umbral a 0,35, la superficie análoga baja a aproximadamente 12,36 millones de km² y queda por debajo de la superficie del criterio anual.

5.7 Cómo se obtiene e interpreta el Jaccard

El Jaccard compara superficies, después de que cada método ha seleccionado sus celdas. No es una distancia climática entre sitios. Para calcularlo se divide la superficie compartida por la superficie reunida por ambos métodos.

Parte del cálculo Superficie aproximada
Solo cumple los rangos anuales 3.454.607 km²
Solo se parece a al menos un sitio 13.224.125 km²
Cumple los rangos y también se parece a al menos un sitio 13.375.881 km²
Unión de las tres clases anteriores 30.054.613 km²

Jaccard ≈ 13.375.881 / 30.054.613 = 0,445.

Las cifras de la tabla están redondeadas; el cálculo usa las superficies sin redondear. El resultado indica que aproximadamente 44,5 % del área reunida aparece en ambos mapas. El 55,5 % restante aparece en uno solo. Si el índice fuera uno, ambos conjuntos serían iguales; si fuera cero, no compartirían ninguna superficie, siempre que la unión no fuera vacía.

5.8 Sensibilidad de los resultados

Escenario Área km² Porcentaje del dominio
Rangos del taller 16.830.488 10,90
EcoCrop simplificado 6.032.858 3,91
Conjunto mensual >=80% 1.700.218 1,10
Minimo marginal >=80% 1.728.719 1,12
Promedio marginal >=80% 4.748.982 3,08

El escenario EcoCrop simplificado identificó 6.032.858 km², frente a 16.830.488 km² con los rangos del taller. Se modificaron dos intervalos simultáneamente, por lo que la diferencia no se atribuye a una sola variable. Tampoco permite afirmar que un escenario sea más exacto sin validación independiente.

Los métodos mensuales producen superficies distintas porque responden a reglas distintas. El promedio marginal permite compensaciones; el mínimo reduce esa compensación, pero no exige coincidencia de meses. El indicador conjunto representa directamente la coincidencia mensual. Por ello, el nombre del índice y su fórmula deben acompañar cualquier mapa presentado como aptitud.

Distancia máxima Similaridad mínima Área análoga km² Jaccard con rangos
0,35 0,705 12.358.046 0,378
0,50 0,607 26.600.006 0,445
0,75 0,472 47.139.612 0,331

Aumentar la distancia máxima amplía las áreas análogas, pero no garantiza una mayor coincidencia proporcional con los rangos. El umbral de 0,5 se conserva como punto intermedio de exploración y no fue optimizado para maximizar Jaccard. Hacerlo con el mapa anual como objetivo solo ajustaría un método al otro, sin aportar validación agronómica.

6 Discusión

El aporte del análisis consiste en separar tres decisiones que suelen mezclarse: qué rangos se aceptan, qué regularidad mensual se exige y a qué clima se desea parecer. La clasificación por rangos es transparente y fácil de explicar, pero sus fronteras son abruptas. Dos celdas a ambos lados del límite pueden recibir clases opuestas aunque su diferencia climática sea pequeña. La similaridad conserva una gradación continua y utiliza la distribución mensual, pero depende de las referencias y de la escala de estandarización.

La evidencia obtenida también muestra por qué no basta con escoger puntos reconocidos como cañeros. Si se seleccionan deliberadamente zonas productoras, el conjunto de analogía representa esos ambientes elegidos; si se muestrea un corredor regional, puede incluir climas que no cumplen el criterio inicial. Aquí mantuve la selección aleatoria y evalué después el cumplimiento de cada punto. Esa separación permite interpretar el resultado sin confundir semejanza con idoneidad.

Para visualizar los mapas globales se representó un máximo de 500.000 celdas. Esta reducción corresponde únicamente al dibujo: los cálculos y los GeoTIFF mantienen la malla original de 10 minutos.

La resolución es una limitación especialmente importante en el Valle del Cauca. Un píxel puede incluir contrastes altitudinales y usos del suelo que el promedio no distingue. Aumentar la resolución mejoraría el detalle espacial, aunque no sustituiría estaciones meteorológicas, mediciones de campo o evaluación de incertidumbre. El clima histórico tampoco describe por sí solo las condiciones actuales o futuras.

No se evaluó el efecto separado de usar lluvia sin transformación, restringir la estandarización a la franja tropical o desplazar el calendario entre hemisferios. Son extensiones útiles para establecer la estabilidad de los análogos. Una distancia de Mahalanobis regularizada o una reducción de dimensión podría considerar la correlación entre meses, pero exigiría justificar la matriz de covarianza, la selección de componentes y su efecto en la interpretación. Para este ejercicio privilegié una métrica explícita y verificable.

La validación requiere datos independientes de presencia, manejo y rendimiento, además de suelo, pendiente, disponibilidad hídrica, riego, variedades, restricciones ambientales y uso actual. Una evaluación predictiva posterior debería separar muestras por bloques espaciales para reducir la dependencia entre entrenamiento y validación. No reporté exactitud, sensibilidad predictiva ni intervalos de confianza, porque no se dispone de una variable de respuesta independiente ni de un modelo de incertidumbre para los rásteres y los límites agronómicos.

7 Conclusiones

  1. Los datos de WorldClim permiten construir un diagnóstico climático global reproducible. Con los rangos anuales del taller se identificaron 16.830.488 km², y los mayores aportes por país correspondieron a Brasil, República Democrática del Congo e Indonesia. La lectura es de cumplimiento climático bajo una regla concreta, no de superficie disponible para cultivar.

  2. La evaluación anual y la mensual producen resultados diferentes. Un acumulado anual favorable no garantiza lluvia distribuida dentro del intervalo todos los meses. Para medir coincidencia temporal, el porcentaje de meses con cumplimiento conjunto es más directo que promediar porcentajes marginales o tomar su mínimo.

  3. La distancia euclidiana normalizada, con lluvia transformada y parámetros globales comunes, ofrece una comparación transparente de los perfiles mensuales. La analogía con al menos uno de los sitios abarcó 26.600.006 km² bajo el umbral de 0,5, pero dos referencias no cumplieron los rangos anuales del taller. Por tanto, similaridad alta no equivale automáticamente a aptitud para la caña.

  4. La coincidencia entre ambas aproximaciones fue parcial, con Jaccard de 0,445. Los resultados de sensibilidad confirman que los límites climáticos y la distancia máxima deben documentarse y revisarse antes de usar los mapas para decisiones territoriales.

  5. El siguiente paso es validar las áreas coincidentes con información agronómica independiente y mayores detalles de relieve y manejo. El producto actual permite orientar esa exploración y auditar las decisiones del análisis.

8 Correspondencia con la consigna del taller

Solicitud Producto del informe Lectura y alcance
1 Mapas globales de aptitud climática en R Figuras 1 a 4 y script 01_analisis.R Se calculan rangos anuales y cumplimiento mensual. Se documenta el origen de los intervalos y se contrasta con EcoCrop. El cotejo con el video del curso requiere su contenido.
2 Selección de países y cortes con el shape global Tabla nacional, figuras 5 a 7, GeoTIFF y polígonos de los países Brasil, República Democrática del Congo e Indonesia se seleccionan por superficie que cumple los rangos. No se afirma que toda esa superficie esté disponible para cultivo.
3 Puntos aleatorios del Valle, Maps y gráficos de clima Tabla de verificación de Maps, figura 8, figura 9 y CSV de perfiles Se conserva la selección aleatoria y se completó la consulta de las tres coordenadas en Google Maps. Los gráficos representan ciclos mensuales climatológicos.
4 Similaridad global respecto a los puntos Figuras 10 a 12 y GeoTIFF de distancia y similaridad Se explican el perfil de 24 componentes, la escala común, la fórmula de distancia y su transformación a similaridad.
5 Comparación de enfoques y conclusiones Figura 13, tabla de superficies, Jaccard y sensibilidad Se distingue cumplir rangos del cultivo de parecerse a un sitio. Las conclusiones se limitan al clima.

9 Documentación del código y reproducción

9.1 Organización y secuencia de ejecución

El proyecto contiene 00_descargar_datos.R, 01_analisis.R, 02_explicar_distancias.R, este archivo R Markdown, datos vectoriales de referencia, resultados y figuras. El script complementario reconstruye ejemplos de distancia y Jaccard desde los CSV; no modifica los mapas ni selecciona nuevos puntos. El archivo app_original.R conserva la aplicación suministrada para consulta. Su modo sintético sirve para demostración y no intervino en los resultados del informe. La app original no calcula los mapas de analogía ni todas las comparaciones desarrolladas aquí.

# En una sesión de R o RStudio, abrir esta carpeta como proyecto.
install.packages(c('terra','geodata','rmarkdown','knitr'))
source('00_descargar_datos.R') # Solo si faltan las capas originales.
source('01_analisis.R')        # Reconstruye cálculos, tablas y mapas.
source('02_explicar_distancias.R') # Explica las distancias con datos del informe.
rmarkdown::render('Informe_cana.Rmd', output_file='Informe_cana.html')
# Alternativa: regenerar el análisis desde el propio informe.
rmarkdown::render('Informe_cana.Rmd', params=list(recalcular=TRUE))

El informe usa por defecto los resultados calculados para permitir una lectura rápida. Si se cambia el código, las capas o los parámetros, se debe ejecutar nuevamente 01_analisis.R o activar recalcular=TRUE; abrir el HTML no recalcula el análisis. Los CSV conservan los valores sin redondeo de presentación. Los GeoTIFF conservan el sistema de referencia y los GeoPackage permiten abrir cortes y puntos en QGIS.

Objeto Descripcion
tavg y prec Doce capas por variable, meses ordenados
valido Dominio con las 24 capas completas
A Indicador binario de rangos anuales
F_conjunto Porcentaje de meses con coincidencia de ambas variables
ref Perfiles extraídos de las tres celdas
sigma Desviaciones globales ponderadas por área
D y S Tres mapas de distancia y similaridad
B Analogía con al menos un sitio, distancia <= 0,5
comparacion Cruce de cumplimiento anual y analogía, clases 0 a 3

9.2 Comprobaciones implementadas

El script detiene el análisis cuando faltan meses, difieren las geometrías, hay valores incompatibles con las unidades esperadas o alguna desviación de estandarización no es positiva. También comprueba que cada referencia tenga distancia cero a su propia celda, que el porcentaje conjunto no exceda el mínimo marginal, que las cuatro clases sumen el área del dominio y que el área análoga no disminuya al relajar el umbral. Estas verificaciones evalúan consistencia computacional; no sustituyen validación externa.

Las versiones de R y paquetes se registran en resultados/sessionInfo.txt, y las huellas MD5 de los archivos de entrada en resultados/huellas_datos.csv. Las semillas, parámetros y tablas principales se guardan en resultados/objetos_informe.rds. Los límites de países y los puntos seleccionados se incluyen para fijar esas entradas. El archivo administrativo de GADM se descarga desde su fuente original durante la reproducción.

9.3 Código completo comentado

El siguiente bloque reproduce el script ejecutado, organizado en diez etapas. Puede desplegarse con el control de código del informe.

# Aptitud y analogia climatica de la cana de azucar
# Maestria en Ciencia de Datos - Pontificia Universidad Javeriana Cali
# Ejecutar desde la carpeta del proyecto: source('01_analisis.R')
# No se reemplazan datos faltantes por datos sinteticos.

library(terra)
options(timeout = 600)
dir.create('resultados', showWarnings = FALSE)
dir.create('figuras', showWarnings = FALSE)
dir.create('data', showWarnings = FALSE)
dir.create('temp_terra', showWarnings = FALSE)
terraOptions(tempdir = 'temp_terra', memfrac = 0.15, memmax = 0.5, memmin = 0.02, todisk = TRUE, progress = 0)
semilla <- 20261115
set.seed(semilla)
meses <- c('Ene','Feb','Mar','Abr','May','Jun','Jul','Ago','Sep','Oct','Nov','Dic')

# 1. Lectura y control de calidad -------------------------------------------
# El orden de las capas debe coincidir entre temperatura y precipitacion.
leer <- function(variable) {
  archivos <- list.files('data', paste0('wc2.1_10m_', variable, '_[0-9]{2}\\.tif$'),
                         recursive = TRUE, full.names = TRUE)
  if (length(archivos) != 12L) stop('Ejecute 00_descargar_datos.R: faltan 12 capas de ', variable)
  archivos <- sort(archivos)
  numero <- as.integer(sub('.*_([0-9]{2})\\.tif$', '\\1', archivos))
  stopifnot(identical(numero, 1:12))
  rast(archivos)
}
tavg <- leer('tavg')
prec <- leer('prec')
stopifnot(compareGeom(tavg, prec), is.lonlat(tavg), nlyr(tavg) == 12)
names(tavg) <- paste0('T', sprintf('%02d', 1:12))
names(prec) <- paste0('P', sprintf('%02d', 1:12))
# WorldClim 2.1 tavg se distribuye en grados Celsius. No dividir entre 10.
# terra aplica automaticamente los scale/offset del archivo cuando existen.
control <- data.frame(variable = c(names(tavg), names(prec)),
                      minimo = c(global(tavg,'min',na.rm=TRUE)[,1],global(prec,'min',na.rm=TRUE)[,1]),
                      maximo = c(global(tavg,'max',na.rm=TRUE)[,1],global(prec,'max',na.rm=TRUE)[,1]))
write.csv(control, 'resultados/control_unidades.csv', row.names=FALSE)
if (any(control$maximo[1:12] > 65) || any(control$minimo[13:24] < 0)) {
  stop('Unidades o valores inesperados. Revise los metadatos antes de continuar.')
}
clima <- c(tavg,prec)
# Exigir las 24 variables evita que un oceano o una celda incompleta tenga
# distancia cero por el uso incorrecto de sum(..., na.rm=TRUE).
completo <- sum(!is.na(clima)) == 24
valido <- ifel(completo, 1, NA)
area <- mask(cellSize(tavg[[1]], unit='km'), valido)
suma_area <- function(x) as.numeric(global(x, 'sum', na.rm=TRUE)[1,1])
area_total <- suma_area(area)
writeRaster(valido, 'resultados/dominio_valido.tif', overwrite=TRUE,datatype="FLT4S")

# 2. Aptitud por rangos anuales ---------------------------------------------
# Parametros operativos del taller. No se atribuyen estos limites a la FAO.
limites <- list(tmin=22.5, tmax=28, pmin=1500, pmax=3500)
T_anual <- mask(mean(tavg, na.rm=FALSE), valido)
P_anual <- mask(sum(prec, na.rm=FALSE), valido)
A_T <- T_anual >= limites$tmin & T_anual <= limites$tmax
A_P <- P_anual >= limites$pmin & P_anual <= limites$pmax
A <- A_T & A_P
names(A) <- 'cumple_rangos_anuales'
writeRaster(c(T_anual,P_anual,A_T,A_P,A), 'resultados/aptitud_anual.tif', overwrite=TRUE,datatype="FLT4S")

# 3. Evaluacion mensual complementaria --------------------------------------
# Los limites mensuales provienen de la app, no de dividir rangos anuales.
# Pmax=290 implica 3480 mm en 12 meses; no equivale exactamente a 3500 mm.
T_ok <- tavg >= 22.5 & tavg <= 28
P_ok <- prec >= 125 & prec <= 290
F_T <- mask(mean(T_ok, na.rm=FALSE)*100, valido)
F_P <- mask(mean(P_ok, na.rm=FALSE)*100, valido)
F_promedio <- (F_T+F_P)/2
F_minimo <- min(F_T,F_P)
F_conjunto <- mask(mean(T_ok & P_ok, na.rm=FALSE)*100, valido)
# El minimo de dos porcentajes NO garantiza coincidencia en los mismos meses.
# F_conjunto mide directamente el cumplimiento simultaneo mensual.
M <- F_conjunto >= 80
names(F_conjunto) <- 'porcentaje_meses_conjuntos'
writeRaster(c(F_T,F_P,F_promedio,F_minimo,F_conjunto),
            'resultados/aptitud_mensual.tif', overwrite=TRUE,datatype="FLT4S")

# 4. Paises y clasificacion por superficie ---------------------------------
# Natural Earth 1:50m. Se conserva el archivo vectorial usado para reproducir.
shape <- 'data/paises/ne_50m_admin_0_countries.shp'
if (!file.exists(shape)) {
  download.file('https://naturalearth.s3.amazonaws.com/50m_cultural/ne_50m_admin_0_countries.zip',
                'data/paises.zip', mode='wb')
  unzip('data/paises.zip', exdir='data/paises')
}
paises <- project(vect(shape), crs(tavg))
paises$id <- seq_len(nrow(paises))
# Asignacion por centro de celda: aproximacion coherente para un ranking a 10'.
# No son superficies catastrales ni areas disponibles para sembrar.
zona <- rasterize(paises, tavg[[1]], field='id', touches=FALSE)
areas_pais <- zonal(c(area, area*A), zona, fun='sum', na.rm=TRUE)
names(areas_pais) <- c('id','area_evaluada_km2','area_cumple_km2')
ranking <- merge(data.frame(id=paises$id, pais=paises$ADMIN), areas_pais, by='id')
ranking <- ranking[is.finite(ranking$area_evaluada_km2) & ranking$area_evaluada_km2>0,]
ranking$porcentaje <- 100*ranking$area_cumple_km2/ranking$area_evaluada_km2
ranking <- ranking[order(-ranking$area_cumple_km2),]
write.csv(ranking, 'resultados/ranking_paises.csv', row.names=FALSE)
seleccion <- head(ranking,3)
traduccion <- c('Brazil'='Brasil','Democratic Republic of the Congo'='República Democrática del Congo')
for (nombre in names(traduccion)) seleccion$pais[seleccion$pais==nombre] <- traduccion[[nombre]]
for (i in seq_len(nrow(seleccion))) {
  poligono <- paises[paises$id == seleccion$id[i],]
  corte <- mask(crop(A,poligono),poligono,touches=FALSE)
  writeRaster(corte, paste0('resultados/pais_',seleccion$id[i],'.tif'),overwrite=TRUE,datatype="FLT4S")
  writeVector(poligono,paste0('resultados/pais_',seleccion$id[i],'.gpkg'),overwrite=TRUE)
}

# 5. Tres puntos aleatorios en el corredor geografico del valle -------------
# GADM delimita el departamento. La caja delimita un corredor del valle
# geografico; no es una mascara oficial de zonas cultivadas ni de planicie.
gadm <- 'data/colombia_departamentos.json'
if (!file.exists(gadm)) download.file(
  'https://geodata.ucdavis.edu/gadm/gadm4.1/json/gadm41_COL_1.json',gadm,mode='wb')
departamentos <- project(vect(gadm), crs(tavg))
valle <- departamentos[grepl('Valle', departamentos$NAME_1),]
stopifnot(nrow(valle)==1)
corredor <- crop(valle, ext(-76.6,-76.0,3.4,4.5))
writeVector(corredor,'resultados/marco_muestreo.gpkg',overwrite=TRUE)
# Muestrear en UTM 18N da puntos uniformes por area, no por grados.
marco_utm <- project(corredor,'EPSG:32618')
set.seed(semilla)
candidatos <- project(spatSample(marco_utm, size=100, method='random'), crs(tavg))
extraidos <- extract(clima,candidatos,ID=FALSE,method='simple')
celdas <- cellFromXY(tavg[[1]],crds(candidatos))
acepta <- complete.cases(extraidos) & !duplicated(celdas)
# Se conservan los primeros 3 puntos validos en celdas diferentes.
# No se seleccionan por tener clima favorable; no se usa A para aceptarlos.
indices <- head(which(acepta),3)
stopifnot(length(indices)==3)
puntos_v <- candidatos[indices,]
xy <- crds(puntos_v)
puntos <- data.frame(sitio=paste0('P',1:3),lon=xy[,1],lat=xy[,2],
                      celda=celdas[indices])
puntos$google_maps <- sprintf('https://www.google.com/maps/search/?api=1&query=%.6f,%.6f',
                              puntos$lat,puntos$lon)
ref <- as.matrix(extract(clima,puntos_v,ID=FALSE,method='simple'))
rownames(ref) <- puntos$sitio
puntos$T_anual <- rowMeans(ref[,1:12])
puntos$P_anual <- rowSums(ref[,13:24])
puntos$cumple_anual <- as.logical(extract(A,puntos_v,ID=FALSE)[,1])
puntos$meses_conjuntos_pct <- extract(F_conjunto,puntos_v,ID=FALSE)[,1]
write.csv(puntos,'resultados/puntos_valle.csv',row.names=FALSE)
writeVector(puntos_v,'resultados/puntos_valle.gpkg',overwrite=TRUE)
series <- data.frame(sitio=rep(puntos$sitio,each=12),mes=rep(1:12,3),
                     temperatura=as.vector(t(ref[,1:12])),
                     precipitacion=as.vector(t(ref[,13:24])))
write.csv(series,'resultados/climatologias_puntos.csv',row.names=FALSE)

# 6. Similaridad con perfiles mensuales -------------------------------------
# log1p reduce la asimetria de la lluvia y conserva meses secos (log(1+0)=0).
# La estandarizacion usa la misma media y desviacion en TODOS los sitios.
# Ambas se calculan sobre celdas completas, ponderadas por su area geografica.
X <- mask(c(tavg, log1p(prec)),valido)
mu <- as.numeric(global(X*area,'sum',na.rm=TRUE)[,1])/area_total
segundo <- as.numeric(global(X^2*area,'sum',na.rm=TRUE)[,1])/area_total
sigma <- sqrt(pmax(segundo-mu^2,0))
stopifnot(all(is.finite(sigma)),all(sigma>0))
write.csv(data.frame(variable=names(X),media=mu,desviacion=sigma),
          'resultados/parametros_estandarizacion.csv',row.names=FALSE)

# Distancia euclidiana normalizada (raiz del promedio de 24 diferencias^2).
# Cada bloque T/P tiene 12 componentes, por lo tanto peso total 1/2.
# Se opera por capas de terra: no se convierte el planeta a una tabla en RAM.
D <- S <- list()
for (i in 1:3) {
  referencia <- c(ref[i,1:12],log1p(ref[i,13:24]))
  cuadrados <- tavg[[1]]*0
  for (j in 1:24) cuadrados <- cuadrados + ((X[[j]]-referencia[j])/sigma[j])^2
  D[[i]] <- mask(sqrt(cuadrados/24),valido)
  S[[i]] <- exp(-D[[i]])
  names(D[[i]]) <- names(S[[i]]) <- puntos$sitio[i]
}
D <- rast(D); S <- rast(S)
writeRaster(D,'resultados/distancias.tif',overwrite=TRUE,datatype="FLT4S")
writeRaster(S,'resultados/similaridad.tif',overwrite=TRUE,datatype="FLT4S")
d_min <- min(D)
s_max <- max(S)
# Umbral exploratorio, no calibrado con rendimiento ni presencia del cultivo.
umbral_d <- 0.5
B <- d_min <= umbral_d
writeRaster(B,'resultados/analogo_algun_sitio.tif',overwrite=TRUE,datatype="FLT4S")
# Control importante: cada sitio debe tener distancia cero a su propia celda.
autodistancia <- diag(as.matrix(extract(D,puntos_v,ID=FALSE)))
stopifnot(all(abs(autodistancia)<1e-6))

# 7. Comparacion ponderada por area -----------------------------------------
# Cuatro situaciones con dominio identico; sin NA no significa no apto.
comparacion <- A + 2*B
names(comparacion) <- 'clase'
# 0=ninguno; 1=solo rangos; 2=solo analogia; 3=ambas aproximaciones.
writeRaster(comparacion,'resultados/comparacion.tif',overwrite=TRUE,datatype="FLT4S")
tabla_comparacion <- data.frame(
  clase=0:3, descripcion=c('Ninguno','Solo rangos','Solo analogia','Ambas'),
  area_km2=sapply(0:3,function(k) suma_area(area*(comparacion==k))))
tabla_comparacion$porcentaje <- 100*tabla_comparacion$area_km2/area_total
write.csv(tabla_comparacion,'resultados/comparacion_areas.csv',row.names=FALSE)
interseccion <- suma_area(area*(A & B))
union <- suma_area(area*(A | B))
jaccard <- if (union>0) interseccion/union else NA_real_
# No se reporta exactitud: ninguno de los mapas es una verdad de campo.
resumen <- data.frame(area_valida_km2=area_total,
                     area_rangos_km2=suma_area(area*A),
                     area_analogia_km2=suma_area(area*B),
                     jaccard=jaccard,
                     area_mensual_km2=suma_area(area*M))
write.csv(resumen,'resultados/resumen_global.csv',row.names=FALSE)
por_sitio <- data.frame(sitio=puntos$sitio,
  area_analoga_km2=sapply(1:3,function(i) suma_area(area*(D[[i]]<=umbral_d))),
  interseccion_km2=sapply(1:3,function(i) suma_area(area*(A & (D[[i]]<=umbral_d)))))
write.csv(por_sitio,'resultados/analogia_por_sitio.csv',row.names=FALSE)

# 8. Sensibilidad de decisiones ---------------------------------------------
# EcoCrop: temperatura optima 24-37 C; lluvia anual optima 1500-2000 mm.
# Aplicar la temperatura a la media anual es aqui una simplificacion explicita.
A_ecocrop <- (T_anual>=24 & T_anual<=37) & (P_anual>=1500 & P_anual<=2000)
writeRaster(A_ecocrop,'resultados/escenario_ecocrop.tif',overwrite=TRUE,datatype="FLT4S")
escenarios <- data.frame(
 escenario=c('Rangos del taller','EcoCrop simplificado','Conjunto mensual >=80%',
             'Minimo marginal >=80%','Promedio marginal >=80%'),
 area_km2=c(suma_area(area*A),suma_area(area*A_ecocrop),suma_area(area*M),
            suma_area(area*(F_minimo>=80)),suma_area(area*(F_promedio>=80))))
write.csv(escenarios,'resultados/sensibilidad_rangos.csv',row.names=FALSE)
sensibilidad <- do.call(rbind,lapply(c(0.35,0.5,0.75),function(u) {
  b <- d_min<=u
  uni <- suma_area(area*(A|b))
  data.frame(umbral_distancia=u,similaridad_minima=exp(-u),
             area_analoga_km2=suma_area(area*b),
             jaccard=if(uni>0)suma_area(area*(A&b))/uni else NA_real_)
}))
write.csv(sensibilidad,'resultados/sensibilidad_analogia.csv',row.names=FALSE)
# Comprobar invariantes; permite detectar errores de escala o algebra.
stopifnot(suma_area(area*(F_conjunto>F_minimo+1e-5))==0,
          abs(sum(tabla_comparacion$area_km2)-area_total)<1,
          all(diff(sensibilidad$area_analoga_km2)>=0))

# 9. Cartografia ------------------------------------------------------------
pal_seq <- hcl.colors(80,'YlGnBu')
pal_bin <- c('#e4e7eb','#217d70')
# Usar la misma funcion para conservar dimensiones, escalas y tipografia.
mapa <- function(r, titulo, archivo, colores=pal_seq, limites=NULL, categorico=FALSE, contorno=paises) {
  png(paste0('figuras/',archivo,'.png'),width=1800,height=1000,res=160)
  par(mar=c(3.5,3.5,3.8,5), family='sans')
  if (categorico) {
    plot(r,col=colores,breaks=c(-0.5,0.5,1.5),main=titulo,
         plg=list(at=c(0,1),legend=c('No cumple','Cumple')),maxcell=500000)
  } else {
    plot(r,col=colores,range=limites,main=titulo,maxcell=500000)
  }
  if (!is.null(contorno)) plot(contorno,add=TRUE,border='#45505e',lwd=0.35)
  mtext('WorldClim 2.1 | 1970-2000 | resolucion 10 minutos | blanco: sin datos',side=1,line=2.4,cex=.65)
  dev.off()
}
mapa(T_anual,'Temperatura media anual (grados C)','01_temperatura',hcl.colors(80,'RdYlBu',rev=TRUE))
mapa(P_anual,'Precipitacion acumulada anual (mm)','02_precipitacion')
mapa(A,'Cumplimiento de rangos anuales del taller','03_aptitud_anual',pal_bin,categorico=TRUE)
mapa(F_conjunto,'Meses con temperatura y lluvia simultaneamente en rango (%)',
     '04_aptitud_mensual',limites=c(0,100))
for(i in 1:3) {
  pol <- paises[paises$id==seleccion$id[i],]
  corte <- mask(crop(A,pol),pol,touches=FALSE)
  mapa(corte,paste('Cumplimiento anual -',seleccion$pais[i]),paste0('05_pais_',i),
       pal_bin,categorico=TRUE,contorno=pol)
  mapa(S[[i]],paste('Similaridad climatica -',puntos$sitio[i]),paste0('08_similaridad_',i),limites=c(0,1))
}
# Marco espacial y puntos: los limites departamentales contextualizan el muestreo.
png('figuras/06_puntos_valle.png',width=1200,height=1300,res=160)
par(mar=c(4,4,3,2))
plot(valle,col='#eef1f5',border='#42526a',main='Valle del Cauca y marco de muestreo')
plot(corredor,add=TRUE,col='#c5e7dd',border='#217d70')
plot(puntos_v,add=TRUE,pch=21,bg='#bd5339',cex=1.3)
text(xy[,1],xy[,2],labels=puntos$sitio,pos=4,cex=.9)
legend('bottomleft',c('Marco geografico','Puntos aleatorios'),fill=c('#c5e7dd','#bd5339'),bty='n')
dev.off()
# Dos paneles con unidades separadas: no hay doble eje que distorsione la lectura.
png('figuras/07_climatologias.png',width=1800,height=1150,res=170)
par(mfrow=c(2,1),mar=c(3.5,4.5,2.6,1))
colores <- c('#1c6a9a','#d37524','#33866f')
matplot(1:12,t(ref[,1:12]),type='o',lty=1,pch=16,col=colores,xaxt='n',
        xlab='',ylab='Temperatura (grados C)',main='Temperatura media mensual')
axis(1,1:12,meses); legend('topright',puntos$sitio,col=colores,lty=1,pch=16,bty='n',horiz=TRUE)
matplot(1:12,t(ref[,13:24]),type='o',lty=1,pch=16,col=colores,xaxt='n',
        xlab='',ylab='Precipitacion (mm/mes)',main='Precipitacion mensual')
axis(1,1:12,meses)
mtext('Climatologias 1970-2000. No representan observaciones de un ano especifico.',side=1,line=2.5,cex=.8)
dev.off()
png('figuras/09_comparacion.png',width=1800,height=1000,res=160)
par(mar=c(3.5,3.5,3.8,6))
plot(comparacion,col=c('#e4e7eb','#2b789d','#d17d32','#23836b'),
     breaks=seq(-.5,3.5,1),main='Rangos anuales y analogia con al menos un sitio',
     plg=list(at=0:3,legend=tabla_comparacion$descripcion),maxcell=500000)
plot(paises,add=TRUE,border='#45505e',lwd=.35)
mtext('Analogia: distancia <=0.5 | Blanco: sin datos | Areas ponderadas por celda',side=1,line=2.4,cex=.7)
dev.off()

# 10. Trazabilidad -----------------------------------------------------------
archivos_datos <- c(sources(tavg),sources(prec),shape,gadm)
write.csv(data.frame(archivo=archivos_datos,md5=unname(tools::md5sum(archivos_datos))),
          'resultados/huellas_datos.csv',row.names=FALSE)
writeLines(capture.output(sessionInfo()),'resultados/sessionInfo.txt')
saveRDS(list(limites=limites,semilla=semilla,umbral_d=umbral_d,
             resumen=resumen,puntos=puntos,ranking=ranking,seleccion=seleccion,
             escenarios=escenarios,sensibilidad=sensibilidad,
             comparacion=tabla_comparacion,por_sitio=por_sitio),
        'resultados/objetos_informe.rds')
message('Analisis terminado. Resultados reales en resultados/ y figuras/.')

9.4 Código complementario para entender las distancias

Este script solo requiere R base. Puede ejecutarse sin volver a procesar los rásteres globales.

# Lectura pedagogica de las distancias climaticas del informe
# Ejecutar desde la carpeta del proyecto. Solo requiere R base.
# No calcula distancias en kilometros ni modifica los mapas originales.

series <- read.csv('resultados/climatologias_puntos.csv')
parametros <- read.csv('resultados/parametros_estandarizacion.csv')
# El orden tiene que ser T01...T12 y P01...P12, igual que el analisis global.
stopifnot(identical(parametros$variable,
                   c(sprintf('T%02d',1:12),sprintf('P%02d',1:12))))
sigma <- parametros$desviacion
sitios <- unique(series$sitio)
perfiles <- matrix(NA_real_,nrow=length(sitios),ncol=24,
                   dimnames=list(sitios,parametros$variable))
for (i in seq_along(sitios)) {
  datos <- series[series$sitio==sitios[i],]
  datos <- datos[order(datos$mes),]
  stopifnot(identical(as.integer(datos$mes),1:12))
  # Se conservan los grados C y se transforma lluvia con log(1+P).
  perfiles[i,] <- c(datos$temperatura, log1p(datos$precipitacion))
}

# 1. Ver una contribucion: enero de P1 frente a enero de P2.
# Un cambio de 2,9 grados NO se interpreta directamente como distancia 2,9.
# Primero se divide por la desviacion de la temperatura de enero global.
enero <- data.frame(
  componente=c('Temperatura de enero','log(1+lluvia) de enero'),
  P1=perfiles['P1',c(1,13)],
  P2=perfiles['P2',c(1,13)],
  desviacion_global=sigma[c(1,13)])
enero$diferencia_estandarizada <- (enero$P1-enero$P2)/enero$desviacion_global
print(enero)

# 2. Calcular la distancia con las 24 diferencias, no solo con enero.
diferencias <- (perfiles['P1',]-perfiles['P2',])/sigma
# Elevar al cuadrado evita que diferencias positivas y negativas se cancelen.
# mean() divide entre 24. sqrt() devuelve la raiz del promedio cuadratico.
distancia_P1_P2 <- sqrt(mean(diferencias^2))
print(distancia_P1_P2)
stopifnot(abs(distancia_P1_P2-0.1165718773)<1e-8)

# 3. Comparar las tres parejas. Son distancias entre perfiles climaticos.
parejas <- combn(sitios,2)
ejemplos_reales <- data.frame(
  comparacion=apply(parejas,2,paste,collapse=' frente a '),
  distancia=sapply(1:ncol(parejas),function(i) {
    sqrt(mean(((perfiles[parejas[1,i],]-perfiles[parejas[2,i],])/sigma)^2))
  }))
ejemplos_reales$similaridad <- exp(-ejemplos_reales$distancia)
ejemplos_reales$cumple_umbral_05 <- ejemplos_reales$distancia<=0.5
write.csv(ejemplos_reales,'resultados/ejemplos_distancias.csv',row.names=FALSE)
print(ejemplos_reales)

# 4. Ejemplo didactico: 24 diferencias de igual magnitud 0,5.
# Esto es un ejemplo artificial, NO una nueva observacion climatica.
e <- rep(0.5,24)
stopifnot(sqrt(mean(e^2))==0.5)
# El umbral restringe el resumen de las 24 diferencias. No exige que
# cada diferencia sea <=0,5 ni que cada mes cumpla los rangos de la cana.

# 5. Regla aplicada en el mapa para una celda imaginaria del planeta.
# Distancias ilustrativas a P1, P2 y P3; no corresponden a una ubicacion real.
d_celda <- c(P1=0.7,P2=0.4,P3=0.6)
celda_es_analoga <- min(d_celda)<=0.5 # TRUE: basta parecerse a P2.
print(celda_es_analoga)

# 6. Reconstruir el Jaccard con superficies reales ya calculadas.
areas <- read.csv('resultados/comparacion_areas.csv')
interseccion_km2 <- areas$area_km2[areas$clase==3]
union_km2 <- sum(areas$area_km2[areas$clase %in% 1:3])
jaccard_pedagogico <- interseccion_km2/union_km2
print(c(interseccion_km2=interseccion_km2,union_km2=union_km2,
        jaccard=jaccard_pedagogico))
stopifnot(abs(jaccard_pedagogico-0.4450525046)<1e-8)

10 Referencias

FAO. (s. f.). EcoCrop Data sheet Saccharum officinarum. Ficha 1884. https://ecocrop.apps.fao.org/ecocrop/srv/en/dataSheet?id=1884

FAO. (s. f.). EcoCrop View crop Saccharum officinarum. https://ecocrop.apps.fao.org/ecocrop/srv/en/cropView?id=1884

Fick, S. E., y Hijmans, R. J. (2017). WorldClim 2: New 1 km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302–4315. https://doi.org/10.1002/joc.5086

Google. (2026). Google Maps. Consulta de P1 (4,299166; −76,019290), P2 (3,689110; −76,505164) y P3 (3,642080; −76,207706), realizada el 16 de noviembre de 2026. Los enlaces individuales están en la sección de puntos. https://www.google.com/maps/

GADM. (s. f.). Database of Global Administrative Areas, versión 4.1. https://gadm.org/data.html

Hijmans, R. J. (s. f.). terra Reference. Documentación de extract, cellSize, global, zonal y writeRaster. https://rspatial.github.io/terra/reference/index.html

Natural Earth. (s. f.). Admin 0 Countries, 1:50m. https://www.naturalearthdata.com/downloads/50m-cultural-vectors/50m-admin-0-countries-2/

Parra, E. (2025). Caso Caña de Azúcar. RPubs. Referente académico del ejercicio; los resultados de este informe se calcularon de manera independiente. https://rstudio-pubs-static.s3.amazonaws.com/1316651_5fc807a4940946a982bcb8493cfb2ae9.html

Restrepo, C. D. (2026). Zona Climatica Caña Azucar. RPubs. Referente académico del ejercicio. https://rstudio-pubs-static.s3.amazonaws.com/1431720_e2eee2e4750b4bf5a4109404cfeb015f.html

WorldClim. (s. f.). Historical climate data WorldClim version 2.1. https://www.worldclim.org/data/worldclim21.html